业务和功能介绍
一、立项背景与目标
针对企业内部海量非结构化文档（PDF、Word、Markdown）检索效率低、传统客服/问答系统准确率差及大模型容易产生“幻觉”的问题，本项目旨在搭建一套具备高准确率、低延迟、可溯源的企业级智能知识库问答与多Agent任务协同系统，助力企业实现智能化降本增效。
二、软件功能与核心模块
1. 多源文档智能解析与向量化：支持复杂PDF/表格解析、OCR文字识别及父子文档（Parent-Child）动态切块策略。
2. 混合检索（Hybrid Search）与重排序（Rerank）：结合BM25关键词检索与Dense向量语义检索，通过Rerank模型进行Top-K重排序，确保检索精准度。
3. 多Agent协同决策：基于LangGraph构建路由Agent，自动识别用户意图并分发至知识检索、数据分析或外部API调用模块。
4. 流式响应与安全风控：基于SSE实现流式打字机效果，集成Guardrails防幻觉机制与敏感词过滤，支持回答引文溯源（Citation）。
三、业务流程与功能路径
用户输入提问 -> 意图识别/Agent路由分发 -> 混合检索知识库向量数据库 -> Rerank模型精筛上下文 -> Prompt组装与大模型（DeepSeek/GPT-4）推理 -> 幻觉校验与流式返回 -> 展示回答及原文出处引用。
针对企业内部海量非结构化文档（PDF、Word、Markdown）检索效率低、传统客服/问答系统准确率差及大模型容易产生“幻觉”的问题，本项目旨在搭建一套具备高准确率、低延迟、可溯源的企业级智能知识库问答与多Agent任务协同系统，助力企业实现智能化降本增效。
二、软件功能与核心模块
1. 多源文档智能解析与向量化：支持复杂PDF/表格解析、OCR文字识别及父子文档（Parent-Child）动态切块策略。
2. 混合检索（Hybrid Search）与重排序（Rerank）：结合BM25关键词检索与Dense向量语义检索，通过Rerank模型进行Top-K重排序，确保检索精准度。
3. 多Agent协同决策：基于LangGraph构建路由Agent，自动识别用户意图并分发至知识检索、数据分析或外部API调用模块。
4. 流式响应与安全风控：基于SSE实现流式打字机效果，集成Guardrails防幻觉机制与敏感词过滤，支持回答引文溯源（Citation）。
三、业务流程与功能路径
用户输入提问 -> 意图识别/Agent路由分发 -> 混合检索知识库向量数据库 -> Rerank模型精筛上下文 -> Prompt组装与大模型（DeepSeek/GPT-4）推理 -> 幻觉校验与流式返回 -> 展示回答及原文出处引用。
项目实现
一、整体架构与设计思路
系统采用前后端分离架构，后端基于 Python FastAPI 异步框架构建 RESTful API 与 SSE 流式接口；算法链路采用 LangChain + Milvus 向量数据库作为核心组件，底座大模型支持 DeepSeek/Qwen 本地化私有部署与 API 混合调度；采用 Redis 实现对话 Context 上下文缓存与并发限流。
二、“我”的负责模块与量化成果
1. RAG检索 Pipeline 深度优化：设计 Parent-Child Chunking 与 Hybrid Search（BM25 + BGE-Large-zh）混合检索方案，使知识库检索召回率（Recall@5）达到 94.2%，相比单一向量检索提升 35% 的回答准确率。
2. 高并发与性能调优：使用 Python asyncio 异步重构算法服务链路，结合 LLM 流式输出（SSE），将首 Token 响应时间（TTFT）从 2.8秒 缩短至 0.45秒；通过并发控制与 Redis 缓存优化，单节点支持 500+ QPS。
3. 语义缓存与成本控制：设计 Semantic Cache（语义缓存）模块，对高频重复提问实现毫秒级直接命中，命中率达 28%，有效节省了约 30% 的大模型 API 调用成本。
三、“我”遇到的难点/坑及解决方案
1. 难点：复杂PDF跨页表格/图片解析丢失上下文导致检索失效。
解法：引入 PaddleOCR + Unstructured 深度提取框架，将表格提取后统一转为 Markdown 语法格式存入向量库，保持了结构化数据的语义完整性。
2. 难点：专有名词/产品型号等精确词汇在向量检索中命中率低。
解法：引入 RRF（Reciprocal Rank Fusion）算法融合 BM25 稀疏向量与 Dense 密集向量，并后接 Cross-Encoder Rerank 模型，解决了向量检索对精确字面匹配不敏感的问题。
3. 难点：大模型长文本推理中的“大海捞针”与幻觉拒答控制。
解法：构建幻觉检测与溯源验证模块，强制要求 Prompt 携带元数据 Context；当检索相似度低于阈值时强制触发转人工或拒答机制，确保回答真实可信。
系统采用前后端分离架构，后端基于 Python FastAPI 异步框架构建 RESTful API 与 SSE 流式接口；算法链路采用 LangChain + Milvus 向量数据库作为核心组件，底座大模型支持 DeepSeek/Qwen 本地化私有部署与 API 混合调度；采用 Redis 实现对话 Context 上下文缓存与并发限流。
二、“我”的负责模块与量化成果
1. RAG检索 Pipeline 深度优化：设计 Parent-Child Chunking 与 Hybrid Search（BM25 + BGE-Large-zh）混合检索方案，使知识库检索召回率（Recall@5）达到 94.2%，相比单一向量检索提升 35% 的回答准确率。
2. 高并发与性能调优：使用 Python asyncio 异步重构算法服务链路，结合 LLM 流式输出（SSE），将首 Token 响应时间（TTFT）从 2.8秒 缩短至 0.45秒；通过并发控制与 Redis 缓存优化，单节点支持 500+ QPS。
3. 语义缓存与成本控制：设计 Semantic Cache（语义缓存）模块，对高频重复提问实现毫秒级直接命中，命中率达 28%，有效节省了约 30% 的大模型 API 调用成本。
三、“我”遇到的难点/坑及解决方案
1. 难点：复杂PDF跨页表格/图片解析丢失上下文导致检索失效。
解法：引入 PaddleOCR + Unstructured 深度提取框架，将表格提取后统一转为 Markdown 语法格式存入向量库，保持了结构化数据的语义完整性。
2. 难点：专有名词/产品型号等精确词汇在向量检索中命中率低。
解法：引入 RRF（Reciprocal Rank Fusion）算法融合 BM25 稀疏向量与 Dense 密集向量，并后接 Cross-Encoder Rerank 模型，解决了向量检索对精确字面匹配不敏感的问题。
3. 难点：大模型长文本推理中的“大海捞针”与幻觉拒答控制。
解法：构建幻觉检测与溯源验证模块，强制要求 Prompt 携带元数据 Context；当检索相似度低于阈值时强制触发转人工或拒答机制，确保回答真实可信。
示例图片视频
相似推荐
FCC潜在客户采集工具-FCC客户线索工作台
本项目是一款运行于 Windows 本地环境的 FCC 潜在客户线索采集与管理工具，面向检测认证、销售拓客及市场调研等业务场景。用户可按授权日期、测试机构、产品名称、产品类别和目标地区组合查询 FCC Equipment Authorization Search 公开数据，批量筛选中国大陆、港澳台或海外的潜在企业客户。系统采用多线程抓取与请求间隔控制机制，提高采集效率并降低对目标网站的访问压力。
企业合同全生命周期管理平台
合同模板中心：预置模板 + 字段库 + 条款库，搭积木式在线组装合同
合同创建：模板生成或空白创建，关键条款自动校验
审批流：Flowable 可视化配置，按金额/部门/类型走不同分支
合同执行：通过开发连接器与 U8/NCC/BIP 订单、收付款数据打通，执行进度、开票、回款一屏看清
到期预警、归档借阅、电子台账导出
智能地磅无人值守称重管理系统
对接海康、大华等主流摄像设备，车辆上磅自动识别车牌并抓拍存档
通过串口适配多种磅秤仪表（不同厂商协议差异大，做了协议解析层+算法适配），实时稳定取重
与用友 ERP 及前端商场系统双向对接：车牌、毛重/皮重与订单自动关联，称重完成实时回写 ERP
防作弊设计：红外定位检测车辆是否完全上磅、皮重波动预警、历史曲线比对
磅房大屏看板 + 手机端查询，老板随时随地看当日过磅数据
后端
SpringBoot 后端系统开发、功能迭代、版本升级
UniApp 微信小程序 / H5 开发（政务类、企业管理平台优先突出）
达梦数据库、MySQL 数据库迁移、SQL 优化、存储过程开发
前后端接口联调、Token 单点登录、跨端跳转解决方案
项目采用 SpringBoot + MyBatis 构建后端服务，使用 UniApp 开发跨端微信小程序，通过 RESTful 接口实现前后端数据交互。数据库层面支持 MySQL 与达梦数据库适配，针对政务系统常见的表结构、字段类型、存储过程、事务处理和 SQL 兼容性进行了调整。系统实现了用户登录、权限控制、业务流程管理、数据查询、表单提交、文件上传和操作日志记录等功能。部署方面使用 Nginx 进行反向代理，Linux 服务器发布，并通过 Redis 缓存提升系统访问效率。项目整体结构清晰，代码分层明确，便于后续维护和功能扩展。
ERP
1. 立项背景和目标
企业信息化建设初期，普遍面临数据分散在Excel和独立软件中、部门间信息不同步的困境：销售接单后仓库不知库存、生产计划凭经验排产导致停工待料、财务月底核算时数据对不上。ERP项目的立项目标正是打破这些壁垒，通过统一平台将物流、资金流、信息流全面集成，实现“业财一体化”，让数据从碎片化变为可共享、可追溯的资产，支撑管理层实时决策。
2. 软件功能、核心功能模块介绍
ERP系统通常包含四大核心功能群：
财务管理模块：涵盖总账、应收应付、成本核算与自动报表生成。业务单据（如销售出库）自动生成会计凭证，实现财务与业务实时联动，避免月底对账的繁琐与错误。
供应链管理模块：整合采购、库存、销售全链路。采购侧支持供应商评估与自动请购；库存侧实时监控水位与批次，防止积压或断货；销售侧管理订单与客户信息，并基于库存数据进行可用量承诺。
生产运营模块：包含生产计划（MRP物料需求计划）、车间执行跟踪与质量管理。系统根据销售订单和库存，自动计算物料需求并下发工单，现场通过移动端报工反馈进度，管理者可实时监控产线状态。
人力资源模块：覆盖考勤、薪资自动核算与绩效管理，员工数据与财务模块联动，支持薪酬的准确发放与成本分摊。
3. 业务流程、功能路径描述
以“销售订单驱动生产”这一典型路径为例：销售员录入客户订单 → 系统自动校验成品库存（若不足，触发生产计划模块）→ MRP运算结合BOM（物料清单）与现有库存，自动生成采购建议和生产工单 → 采购模块执行采购，仓库按工单发料 → 车间执行生产并报工 → 完工入库后，系统自动触发财务模块生成应收账款和成本凭证。整个流程数据实时流转，无需人工跨部门传递表格。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服